Introdução a Visualização de Dados com o R

Introdução

Um dos grandes desafios de se trabalhar com pesquisa é conseguir comunicar resultados de forma clara e efetiva. Enquanto um artigo científico possui um público muito específico – professores e pesquisadores –, gráficos construídos a partir dos dados analisados podem sensibilizar e comunicar resultados de uma forma muito mais efetiva. Enquanto poucos conseguem avaliar o resultado de um modelo estatístico, a representação gráfica de dados pode ser avaliada pelo público com arcabouço técnico muito menor. Assim, a visualizaçao de dados deve ser entendida como um braço direito do processo de pesquisa, representando resultados e facilitando o processo de comnunicação.

O inquestionável sucesso de sites como Instagram, Twitter e Facebook mostram o extremo grau de capilaridade digital que uma figura pode apresentar, por mais técnica que ela seja. Um gráfico apresentado em uma relatório técnico ou trabalho acadêmico pode facilmente se popularizar caso for bem realizado, amplificando o alcance da mensagem do pesquisador e promovendo o autor em sua área de trabalho.

Como um exemplo, no triste eposódio da pandemia de 2020 (covid19), um dos gráficos reconhecido mundialmente foi criado pelo Burn Murdoch do Financial Times. O gráfico mostra a evolução do número de casos confirmados (média de sete dias) entre diversos países, desde a confirmação de 30 casos da Covid19.

A grande sacado do autor foi condensar informações de diferentes fontes em uma mesma representação visual. Para o leitor, fica fácil entender a dinâmica da contaminação da pandemia ao observar as curvas de diferentes países. Sem dúvida, cada elemento do gráfico foi pensado estrategicamente, desde a formação da escalas vertical, até as cores utilizadas para cada país. E, mais importante para este capítulo, o gráfico foi construído na mesma plataforma que iremos estudar aqui, o R!

Portanto, a produção de gráficos baseada em dados se torna uma poderoso aliada do pesquisador ao informar, de forma simples e direta, informações que estão escondidas ao olho nu. Indiscutivelmente, o principal objetivo de qualquer análise de dados é a comunicação. Gráficos e diagramas facilitam este processo ao apresentar lógicas espaciais e fáceis de entender. O argumento visual é forte e cria um memorável impacto. O seu trabalho com analista de dados de saúde é facilitar esta análise para o seu público, criando gráficos que são instrutivos e que transmitam uma mensagem direta e intuitiva.

Neste capítulo iremos estudar a forma de construção de gráficos no R. Este não é, de forma alguma, um conteúdo completo sobre o tema. O objetivo aqui é apresentar um material prático sobre como criar figuras com o ggplot2, tomando os devidos atalhos. Leitores que desejam aprender mais sobre o ggplot2, o melhor material é o livro do próprio autor (Wickham et al. 2021).

com Em um primeiro passo, vamos deixar o código em si de lado para focar nos conceitos por trás de uma figura bem construída. O segundo passo será entender os componentes de uma figura, foco deste capítulo. Partimos então para o uso do pacote ggplot2 e sua filosofia na criação de camadas da figura. Por fim, apresentamos diversos exemplos de gráficos aplicados a area da saúde.

Princípios e Componentes

O que torna a figura de Burn Murdoch tão impactante? Qual foi o processo de criação da figura? Neste capítulo vamos procurar responder estas questões através da discussão de princípios e componentes visuais de um gráfico de dados. Discutiremos elementos centrais e independentes da plataforma de programação.

Primeiro, e mais importante, é preciso reforçar que a razão da análise de dados é a comunicação. De forma simplificada, é seu trabalho como analista de dados ou pesquisador acadêmico traduzir informações retiradas de um banco de dados e sugerir possíveis efeitos no mundo real. Um relatório técnico – produto do seu trabalho – é nada mais que um parecer sobre um problema, onde um especialista apresenta sua opinião imparcial e técnica sobre o que está sendo discutido, muitas vezes suportado por uma hipótese central que delimita a pesquisa. O mesmo é verdadeiro para um trabalho acadêmico, onde se discute uma teoria baseada em dados, ou um trabalho profissional, onde o problema torna-se uma decisão de políticas públicas.

Neste caso, um sólido parecer técnico terá o seu impacto limitado pela capacidade de comunicação do relatório. Veja que nada adianta realizar um trabalho fantástico na análise de dados se a parte escrita e gráfica não consegue transmitir a mensagem de forma coerente e intuitiva. De fato, um dos erros frequentes encontrados na produção de trabalhos acadêmicos é focar mais na técnica do que na mensagem.

Mais próximo do tema do livro, gráficos são fortes elementos de comunicação e servem para convencer o leitor de uma determinada ideia. Assim, o primeiro princípio na criação de gráficos é que uma figura deve justificar a sua existência. Um erro muito comum em iniciantes é tentar criar os mais variados gráficos sem se perguntar se os mesmos adicionam informações novas na análise. Só porque você pode fazer um gráfico, não significa que você deve mostrá-lo ao leitor. O valor de um conteúdo está diretamente relacionado às novas informações que ele traz na análise. Atenha-se àqueles que ajudam a transmitir sua mensagem. Não hesite em cortar elementos gráficos. Sempre que você encontrar uma figura que não seja discutida em pelo menos dois parágrafos do texto principal, não tenha receio em retirá-la do documento. Se não consegues escrever mais do que dois parágrafos sobre uma figura, provavelmente não é importante.

O segundo elemento principal na visualização de dados é manipulação da atenção, isto é, facilite e direcione a análise para o seu público. Verifique se os gráficos produzidos indicam uma mensagem clara e direta. Destaque nos gráficos o que o público deve procurar e como lê-lo. Não espere que todos tenham o conhecimento técnico. Entenda o que seu público espera e qual a motivação para ler o seu conteúdo. Por exemplo, não apresente para um grupo de executivos o mesmo material que apresenta para o seu orientador acadêmico. Cada um tem sua própria formação técnica, demandas e características, e irá avaliar o seu trabalho de forma diferente. Não é incomum um gráfico ser elogiado pelo público em geral mas rechaçado pelo público técnico.

“reduce the clutter” (schwabish2014economist?)

In the red: The effects of color on investment behavior (bazley2017red?)

O terceiro elemento é a independência do elemento gráfico. Todas informações técnicas, como origem e período de dados, devem ser claramente indicadas no título, subtítulo ou legenda do gráfico. Se o leitor precisar buscar informações sobre a análise gráfica no próprio texto, então existe um espaço para melhoria do conteúdo. Isso pode ser mais fácil dizer do que fazer, mas tente comunicar o máximo de informações possíveis, desde que não polua o gráfico. Lembre-se de que existe um equilíbrio entre uma estética elegante e os detalhes técnicos.

Por fim, o quarto elemento é herança e reproducibilidade. A ciência e a análise de dados evoluem na forma de blocos de construção, um encima do outro. Sempre verifique os gráficos produzidos em suas referências. Eles guiarão sobre o que seu público espera. Da mesma forma, você pode até usar figuras de artigos anteriores para comparar seus resultados. Isso é especialmente conveniente quando os mesmos conjuntos de dados ou similares são usados. Por isso, sempre informe qual a origem dos dados utilizados no gráfico, facilitando que outra pessoa, ou até mesmo você, replique o gráfico

As diretrizes anteriores o ajudarão a criar material de maior impacto. Ao longo deste e demais capítulos, tentarei segui-los o máximo possível na criação de todas as figuras. Agora que já entendemos a teoria, vamos para a prática com o R. A seguir vamos buscar entender como os princípios anteriores se traduzem em elementos visuais em um gráfico na plataforma.

Componentes de uma figura

Os componentes de uma figura separam-se entre fixos e dinâmicos. Os fixos são aqueles que não mudam com a inserção de novos dados. Pense neles como o esqueleto do gráfico, suportando toda a estrutura visual controlada pelos dados em si, tal como pontos e linhas. Isto inclui textos dos eixos, títulos e subtítulos. Um exemplo de elemento estático é o título da figura, o qual não mudará com a entrada de novos dados. Os elementos dinâmicos são aqueles que mudam de acordo com os dados, tal como a posição de um ponto ou linha. Esta separação é importante pois o ggplot2 segue esta mesma lógica modular na criação de figuras.

Componentes fixos

Figura @ref(fig:esqueleto) apresenta os componentes fixos de um gráfico, incluindo títulos, subtítulos e textos dos eixos horizontal e vertical. Por enquanto não iremos ver o código que produz esta figura. Deixaremos estes para o próximo capítulo.

Esqueleto de um Gráfico

Os componentes estáticos da Figura @ref(fig:esqueleto) são:

Título da Figura

Texto que inicia o gráfico e provavelmente será o primeiro elemento a ser lido pelo leitor. Busque usar poucas e informativas palavras, sem detalhes técnicos. Por exemplo, o título “Evolução da Mortalidade para o RS” é melhor que “Número de mortes para o RS com dados extraídos do SUS-RS.” Todo conteúdo técnico extra do título pode ser colocado no subtítulo.

Texto eixo y

Texto explicativo no eixo vertical, definindo uma variável de interesse. Relembre que um gráfico de disperção lê-se como “variável y é afetada por variável x,” portanto y é a variável que merece maior atenção nas explicaçoes dos demais componentes, tal como subtítulo.

Texto eixo x

Texto correspondente ao eixo horizontal. Geralmente utiliza-se algo como tempo ou outra variável de interesse. Em um gráfico de barras, por exemplo, o eixo x pode ser um tipo de grupo existente nos dados (ex. solteiro/casado).

Subtítulo da Figura

O subtítulo é um dos pontos mais importantes sobre um gráfico estático, e onde um olhar técnico irá focar. O subtítulo pode, por exemplo, oferecer descrições do tamanho e forma de coleta da amostra de dados. Saiba que, como avaliador, o subtítulo é um ponto muito indicativo da capacidade e conhecimento do criador. Como sugestão, procure não repetir informações já disponíveis em outros locais e busque sempre oferecer o máximo de informações para entender o gráfico. Um exercício que costumo fazer é imaginar que estou apresentando o gráfico para uma sala cheia de outros pesquisadores e analistas e prever quais questões sobre o gráfico serão perguntadas. Se uma informação for fácil de inserir, faca-o.

Texto inferior (caption)

É o texto que indica informações sobre a origem dos dados brutos ou sobre o autor, incluindo link para verificação. Por exemplo, “Dados obtidos no Portal Brasileiro de Dados Abertos http://www.dados.gov.br/.”

Um exemplo mais trabalhado de elementos fixos de um gráfico, porém ainda sem incluir elementos dinâmicos tal como pontos ou linhas, é apresentado a seguir, Figura @ref(fig:esqueleto-2).

Esqueleto melhorado de um gráfico

Note que, mesmo sem adicionar os dados em si, o esqueleto já diz quais informações podemos esperar no gráfico: o número de mortes no estado do RS ao longo dos anos. Como uma regra de bolso, inicie um gráfico pela construção do esqueleto, para depois inserir os dados em si. Assim, terás um feeling de qual a mensagem do gráfico.

Componentes Dinâmicos

Os componentes dinâmicos são os canais visuais que iremos utilizar para representar os dados. Isto inclui:

• Linhas
• Formas (ex. círculos ou triângulo)
• Cores
• Tamanhos
• Texto no gráfico

Os mais comuns, e fáceis de lidar, são gráficos com linhas e formas. Ao adicionarmos mais camadas ao gráfico, mais complexo ele fica. Na prática, usamos a interação entre os canais para mandar uma mensagem. Por exemplo, se temos grupos dentro dos dados, podemos usar um gráfico com tipos de linhas diferentes (tracejada, sólida, etc) para separar cada grupo. Os melhores e mais impactantes gráficos são aqueles em que usamos o conhecimento da área para construir a interação dos componentes dinâmicos, com uma interação intuitiva entre os diferentes canais de representação.

No ggplot2, os canais básicos, mas que são extremamente úteis são os gráficos de linhas, pontos e barras.

Como um primeiro exemplo, vamos reconstruir o gráfico anterior, Figura @ref(fig:esqueleto-3), adicionando uma camada dinâmica com linhas no gráfico:

Esqueleto com linhas e pontos

Veja que as linhas do gráfico são apenas uma camada nova sobre o esqueleto formado anteriormente. Caso uma nova leva de dados é importada, o esqueleto fica o mesmo, porém as linhas mudarão. O entendimento deste tipo de dinâmica – uso de camadas para construir o gráfico – é extremamente importante pois o pacote ggplot2 se utiliza da mesma lógica.

Agora que temos um gráfico básico com linhas, podemos utilizar outros canais – cores, formas – para facilitar a comunicação. Imagine que os dados de mortalidade infantil também estão disponíveis para outro estado além do RS. Para visualizar os dados, podemos separar as linhas por cores:

Gráfico para diferentes estados

A Escolha dos Canais

Escolher a forma de apresentar dados não é tarefa simples pois cada componente é peculiar e melhor utilizado em determinadas situações. Alguns gráficos fazem mais sentido com linhas, enquanto outros com pontos ou colunas. O uso de cores no gráfico também é discutível: enquanto um pouco de cor pode ajudar o leitor, o uso de muitas cores pode confundir, justamente o contrário do que procuramos.

Partindo do caso mais simples, a primeira decisão na construção de um gráfico baseado em dados é qual a forma de canalizar a tabela em imagem. Podemos usar linhas, pontos ou barras. As linhas fazem sentido quando os dados adjacentes tem dependência entre si, tal como o próprio tempo. Por exemplo, imagine uma base de dados de casos acumulados de gripe para determinada região. Um cálculo simples é verificar a variação percentual entre um período e outro, visualizando os picos de novos casos. A seguir apresentamos diferentes formas de construir um gráfico para os mesmos dados.

O primeiro, usando linha, é razoável porém um pouco estranho. O segundo é somente estranho, semelhante a um código de barras de supermercado, sem muita relação com o problema em si. Como esperado, o terceiro gráfico, painel C, é o que tem a forma mais intuitiva – linhas para variações de casos de gripe.

O uso de pontos e formas fazem mais sentido em gráficos onde cada ponto pode ser entendido como independente dos demais. Este é o caso clássico de gráficos de dispersão, onde buscamos explicar uma variável com base em outra. Por exemplo, considere analisar o consumo de um carro em função do seu peso. Aqui, os dados de consumo/peso para um Toyota-Corolla, por exemplo, não tem relação direta com os dados de um Chevrolet-Cruze. Assim, não faz muito sentido ligar os dados com linhas, mas sim usar pontos.

Comparando os gráficos anteriores, note que barras e linhas resultam em algo sem muita intuição – painéis B e C são difíceis de entender, enquanto painel A é claro na mensagem de que carros mais pesados tendem a ter menor eficiência no consumo de combustível.

No último caso, gráficos de barras funcionam muito bem quando a variável explicativa é uma categoria. Por exemplo, considere comparar o efeito de diferentes dietas sobre o peso de uma galinha criada em cativeiro. Os grupos, neste caso, são as diferentes dietas, enquanto a variável de interesse é o peso final médio para cada galinha.

Gráficos de barra também funcionam bem quando comparamos os valores. Veja que no painel B podemos visualmente verificar as distâncias entre o peso final médio entre dietas 1, 2, 3 e 4.

O uso de cores em um gráfico serve para direcionar a atenção do leitor para alguma informação importante. Quando usado com parsimônio, as cores funcionam muito bem e facilitam o entendimento e mensagem da análise. Cuidado porém com excessos. O uso de muitas cores podem dificultar a análise.

Além do uso das cores, pode-se também alterar os seguintes canais em um gráfico com dados:

• shapes: mudança do estila da linha ou ponto. Exemplo: linhas tracejadas simples ou duplas, pontos como triângulos ou quadrados
• size: tamanho dos pontos e linhas

Veja o exemplo a seguir, onde vizualizamos os caso de gripes nos estados de Rio Grande do Sul e Paraná com os canais de formato de ponto (shape), tamanho (size) e cor (color).

Múltiplos Canais no Gráfico

Note como a adição de diferentes canais de visualização de dados pode poluir a análise. Ao incluir cores, formatos e tamanhos no mesmo gráfico, pode-se acabar diminuindo o impacto do mesmo pois exigirá maior tempo de análise por parte do leitor. No caso anterior, temos os mesmos dados (Estado) impactando dois canais diferentes: cores das linhas e forma do ponto. Certamente pode-se simplificar o mesmo para evitar redundâncias.

Criando Figuras com o ggplot2

Agora que já entendemos a diferença entre elementos fixos e dinâmicos de um gráfico baseado em dados, e o papel dos diferentes canais de representação (cor, tamanho, formato), partimos para a criação das figuras em si na plataforma R e com pacote ggplot2.

Aqui ja iremos assumir conhecimento do leitor no uso do R e RStudio nas seguintes operações:

• Instalação do R e RStudio;
• Instalação e carregamento de pacotes do R;
• Criação e execução de funções e scripts no R;
• Entendimento dos diferentes tipos de objetos no R;
• Manipulação de dataframes com pacote dplyr, especificamente uso das funções glimpse, group_by, count e summarise.

Dados de Entrada

Um dos pontos fundamentais, e onde muitos erram no início do uso da ferramenta, é o formato de entrada dos dados no pacote ggplot2. Assim como outros pacotes do tidyverse – conjunto de módulos interligados do RStudio –, o ggplot2 espera que tabelas no formato longo, isto é, uma orientação dos dados por linhas, e não colunas.

Tabelas em formato longo são mais fáceis de lidar e praticamente todo o ecosistema do R, não exclusivo a figuras, trabalha em torno dessa mesma estrutura. O importante aqui é que saibas distinguir os formatos. Reforço que o ggplot2 não trabalha com tabelas no formato largo (ou gordo). A conversão entre uma e outra é sempre possível, porém não entra no escopo deste capítulo. Para detalhes em tal operação, veja o manual do pacote tidyr (Wickham 2021).

Para todos os exemplos do capítulos, utilizaremos dados reais do DataSUS, relativos a mortalidades no estado do Rio de Janeiro entre 2015 e 2019. Os dados foram baixados com o pacote microdatasus (Saldanha 2021) e manipulados para manter apenas a colunas necessárias para análise.

#> Rows: 689,048
#> Columns: 6
#> $ DTOBITO     <date> 2015-06-03, 2015-02-17, 2015-09-13, 2015-06-09, 2015-10-0…
#> $ DTNASC      <date> 1921-05-08, 1949-04-21, 1957-04-07, 1926-10-14, 1934-05-3…
#> $ SEXO        <chr> "Feminino", "Feminino", "Masculino", "Feminino", "Masculin…
#> $ OCUP        <chr> "Dona de Casa", "Auxiliar de escritório, em geral", "Admin…
#> $ munResNome  <chr> "Rio de Janeiro", "Rio de Janeiro", "Rio de Janeiro", "Rio…
#> $ idade_obito <dbl> 94.1, 65.9, 58.5, 88.7, 81.4, 104.5, 44.6, 31.0, 91.7, 71.…

Note que a tabela retirada do DataSUS é do tipo longa, onde as linhas são orientadas por casos ocorridos. Temos colunas para a data de óbito (DTOBITO), hora do óbito (HORAOBITO), cidade de nascimento (NATURAL), sexo, escolaridade, ocupação e outras. Note que os dados são esparsos – 689048 linhas na tabela. Para visualizar estes dados, teremos que realizar algumas agregações. Todos os dados apresentados aqui estão disponíveis como arquivo .csv na página do livro.

Comando ggplot2

O comando ggplot2 é o inicializador de uma figura. Este cria um “canvas” em duas dimensões que será preenchido com elementos a seguir. Veja o exemplo a seguir, onde criamos a primeira camada de um gráfico:

library(ggplot2)

p <- ggplot()

print(p)

Gráfico Vazio do ggplot2

A tela branca apresentada é a primeira camada do gráfico. Nada interessante, por enquanto, porém note algumas informações sobre o código anterior:

• Carregamos o módulo do ggplot2 com o comando library(ggplot2)
• Criamos um canvas vazio com o comando ggplot() e indicamos o resultado para uma variável p
• Mostramos o gráfico em si ao chamar print(p).

Este é o ciclo de criação de gráficos no R e ggplot2. Irás repetir estas etapas diversas vezes. Note que, por default, o comando print manda a figura para tela do rstudio, na aba direita inferior. Caso queira ter mais controle do tamanho da figura e não poluir sua área de trabalho, podes usar o comando x11() para criar uma janela externa e independente da interface principal do RStudio. Cada vez que x11() é chamado, uma nova janela é criada. Após sua criação, a próxima chamada a um código de gŕafico irá acomodar a figura na janela. Podes, portanto, utilizar o x11() para criar diversas figuras.

O Primeiro gráfico

Nosso primeiro gráfico será uma visualização dos óbitos mensais obtidos no DataSUS para o estado do Rio de Janeiro. Para tal, utilizaremos o pacote dplyr para agregar os dados mensais e contar o número de óbitos:

library(ggplot2)
library(dplyr)

df_ano_mes <- df_sus |>
  group_by(mes = as.Date(format(DTOBITO, "%Y-%m-01")) ) |>
  count() |>
  ungroup()

glimpse(df_ano_mes)
#> Rows: 60
#> Columns: 2
#> $ mes <date> 2015-01-01, 2015-02-01, 2015-03-01, 2015-04-01, 2015-05-01, 2015-…
#> $ n   <int> 11779, 9623, 10160, 10687, 12616, 11531, 11291, 10684, 10679, 1043…

Com o eixo x na coluna mes e eixo y na coluna n, criamos o gráfico com o seguinte comando:

p <- ggplot(data = df_ano_mes,
            mapping = aes(x = mes, y = n)) + 
  geom_line()

print(p)

No uso da função ggplot, o argumento data é o dataframe com os dados já agregados por ano. O mapeamento das colunas do dataframe para o gráfico em si é realizado via função aes. Essa define a estética (aesthetics) do gráfico pela indicação das coordenadas x e y. Em outras palavras, ao usar o código ggplot(data = df_ano_mes, mapping = aes(x = mes, y = n)) estamos dizendo para o ggplot: “para os dados em df_ano_mes, use os dados da coluna mes para o eixo x, e os dados da coluna n para o eixo y.” Veja que por si só esta definição não indica o tipo de gráfico (linha/barra, etc), apenas os mapeamentos desejados.

Para indicar qual o tipo de gráfico a ser plotado, usando a soma (“+”) para adicionar uma camada extra, neste caso o geom_line(), o qual indica o uso de uma camada de linha. Caso também quiséssemos uma camada com o ponto em si indicado no gráfico, basta adicionar geom_point():

p <- ggplot(data = df_ano_mes,
            mapping = aes(x = mes, y = n)) + 
  geom_line() + 
  geom_point() 

print(p)

Adicionalmente, inserimos título, subtítulo e texto para eixos com a função labs:

p <- ggplot(data = df_ano_mes,
            mapping = aes(x = mes, y = n)) + 
  geom_line() + 
  geom_point() + 
  labs(title = "Mortes for Mês do Ano",
       subtitle = "Dados para o estado do Rio de Janeiro, entre 2015 e 2019",
       x = 'Mês do Ano',
       y = "Número de Mortes",
       caption = "Dados retirados do DataSUS")

print(p)

Veja que com um pouco de código já conseguimos chegar em um resultado promissor em termos de visualização de dados! Reforço como a criação de figuras através de camadas é intuitiva: o usuário pode ir sequencialmente adicionando novas camadas ao gráfico e verificando o resultado. Caso uma das camadas não ficar visualmente aceitável no gráfico, basta retirar (ou comentar com #) a linha de código que define a camada.

Mapeamento de Canais com aes()

Olhando os resultados do gráfico, um olho mais treinado já deve observar uma sazonalidade mensal, ou seja, um padrão da série analisada para alguns meses específicos. Especificamente, o meio do ano apresenta maiores número de óbitos. Para avaliar este efeito e apresentar um novo componente do ggplot2, o tamanho (size) vamos novamente agregar os dados e visualizar o resultado com um gráfico de linhas e pontos onde o tamanho dos pontos será arbitrariamente definido como 3:

df_por_mes <- df_sus |>
  group_by(mes = as.integer(format(DTOBITO, "%m") )) |>
  count() |>
  ungroup()

p <- ggplot(data = df_por_mes,
            mapping = aes(x = mes, y = n)) + 
  geom_line() + 
  geom_point(size = 3) + 
  labs(title = "Mortes for Mês do Ano",
       subtitle = "Dados para o estado do Rio de Janeiro, entre 2015 e 2019",
       x = 'Mês do Ano',
       y = "Número de Mortes",
       caption = "Dados retirados do DataSUS",
       size = 'Óbitos')

print(p)

Agora, comparando com o código anterior, mudamos o comando geom_point() por geom_point(size = 3). Note que esta é uma simples definição do tamanho dos pontos usando argumento size. Uma modificação mais interessante e complexa é mapear os tamanhos dos pontos aos dados, ou seja, usar as informações de mortalidade para definir os tamanhos dos pontos. Para isto, vamos primeiro definir uma nova coluna representando a relação da mortalidade em relação a sua própria média:

df_por_mes <- df_por_mes |>
  mutate(perc_media = (n - mean(n))/mean(n)*100)

Agora utilizamos a nova coluna no gráfico, adicionando o comando geom_point(mapping = aes(size = perc_media)) para mapear as novas informações no tamanho dos pontos.

p <- ggplot(data = df_por_mes,
            mapping = aes(x = mes, y = n)) + 
  geom_line() + 
  geom_point(mapping = aes(size = perc_media)) + 
  labs(title = "Mortes for Mês do Ano",
       subtitle = "Dados para o estado do Rio de Janeiro, entre 2015 e 2019",
       x = 'Mês do Ano',
       y = "Número de Mortes",
       caption = "Dados retirados do DataSUS",
       size = '% Variação de Óbitos\n em Relação a média')

print(p)

Adicionalmente, usamos o argumento size na função labs para modificar o título da legenda. Veja que a função aes() define um mapeamento pode ser utilizada em qualquer função de canal, tal como geom_line, geom_point, geom_col entre outras. Ao criarmos novas colunas nos gráfico e representarmos a informação usando os canais visuais, a figura resultante torna-se mais intuitiva e impactante.

Quando olhamos o resultado do gráfico criado, fica bastante claro que sim, existe uma sazonalidade nos dados. Os meses de janeiro, dezembro, maio, junho e julho são aqueles com o maior número de óbitos. Especificamente, a legenda nos diz que maio possui aproximadamente 5% a mais de mortalidades do que a média de todos os meses, enquanto fevereiro tem uma queda aproximada de 10% da média de mortalidades.

Uso de Temas

Os gráfico apresentados anteriormente possuem uma estética bastante peculiar: área sombreada e com grid no interior do gráfico, uso de fonte e tamanho de letras específica, entre outras. Estas configurações faz parte de escolhas default – um tema padrão incorporado dentro do pacote. O ggplot2 possui diversos outros temas pré-compilados tal como configurações do gráfico em preto e branco, cinzento, light, e vários outros. Todas funções

Para utilizar um novo tema em um gráfico, basta adicionar o comando do tema como uma nova camada. Todos temas possuem um nome de função tal como em “theme_X” para o tema “X.” Exemplos: tema preto e branco: theme_bw(), tema cinzento: theme_gray().

PAra um exemplo prático, veja o gráfico a seguir, onde utilizamos o tema minimal para o gráfico anterior de mortalidades do SUS:

p_minimal <- p + 
  theme_minimal()

print(p)
print(p_minimal)

Note como o gráfico resultante é minimalista, sem a área sombreada no interior. Vale salientar que também é possível construir uma função de tema personalizado, com opções específicas sobre cores, tamanhos e todos demais componentes da figura. Assim, podes unificar a aplicação do mesmo tema para diferentes gráficos de uma forma bastante eficiente. Este tópico, porém, é mais avançado que a proposta deste capítulo. Abaixo deixa-se uma seleção de temas para um gráfico simples com base nos dados do SUS.

Visualizando Distribuições

O pacote ggplot2 inclui diversos gráficos típicos de análise de dados tal como histogramas (frequência e densidade) e gráficos de distribuição (QQ plots e boxplots).

Para construir um histograma com o ggplot2, basta passar a coluna desejada e aplicar a função geom_histogram. Veja a seguir um exemplo para o histograma das idades das pessas na base de mortalidade do SUS:

p_hist <- ggplot(df_sus, aes(x = idade_obito)) +
  geom_histogram() + 
  labs(title = "Frequência de Mortalidade por Idade",
       subtitle = "Dados para o estado do RJ, 2015 - 2018",
       x = "Idade",
       y = "Frequência",
       caption = "Dados retirados do DataSUS") 

print(p_hist)
#> `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Como esperado, temos uma maior frequência de mortalidade para idades mais avançadas, após 80 anos. Note também os casos de mortalidade infantil no ano zero. Como curiosidade, a maior idade encontrada nos dados é de 121.334 anos, para uma pessoa residente de Angra dos Reis, do sexo masculino, nascida em 01/01/1897.

Enquanto um gráfico de frequência permite visualizar o formato da distribuição de uma variável em particular, uma necessidade recorrente em pesquisa é verificar as diferenças de distribuição entre grupos via gráficos de boxplot, os quais mostram uma visualização da distribuição de variáveis através dos quartis e medianas. Veja o exemplo a seguir, onde apresenta-se um gráfico boxplot para analisar a diferenca de distribuições de idade de morte entre os gêneros masculino e feminino.

p_boxplot <- ggplot(df_sus, aes(x = SEXO, y = idade_obito)) +
  geom_boxplot() + 
  labs(title = "Distribuição de Idade de Mortalidade entre Gêneros",
       subtitle = "Dados para o estado do RJ, 2015 - 2019",
       x = "Sexo",
       y = "Idade de Óbito",
       caption = "Dados retirados do DataSUS") 

print(p_boxplot)

No caso do uso de geom_boxplot, definimos os eixos x e y como colunas SEXO e idade_obito. Internamente, o ggplot2 separa os grupos de acordo com o eixo x, e constrói o boxplot calculando quartis e mediana para cada grupo. Note também que observações extremas, os chamados outliers, são representados por pontos, enquanto o “grosso” da distribuição é representada pela caixa branca que separa as observações entre os quartis. Por exemplo, para o grupo “masculino,” 50% das observações estão entre as idades 50 e 76 anos, aproximadamente.

O resultado do gráfico é bastante claro: na média, homens tendem a viver menos que as mulheres. Observando as diferenças entre as medianas, vemos que as mulheres falecem em mediana com 75 anos, enquanto os homes falecem com aproximadamente 62 anos.

Utilizando Facetas (facets)

Uma das inovações do ggplot2 é o uso de facetas (“facets”) para construir gráficos separados por grupos. Para entender, imagine que estamos investigando o padrão de mortalidades entre os meses do ano para os dados do DataSUS. Já sabemos que existe uma sazonalidade, onde alguns meses apresentam maior mortalidade que outros. Porém, uma hipótese interessante é tentar entender se tal sazonalidade é diferente entre homens e mulheres. Veja que a figura é a mesma que construímos anteriormente, apenas separando entre homens e mulheres.

Uma maneira “bruta” de resolver o problema é separar os dados manualmente entre homens e mulheres, e construir duas figuras separadas. Porém, a solução do ggplot2 é muito mais elegante: basta indicar que queremos diferentes facetas do gráfico de acordo com uma coluna do dataframe. Veja a seguir:

df_por_mes_sexo <- df_sus |>
  group_by(mes = as.integer(format(DTOBITO, "%m")),
           SEXO) |>
  count() |>
  ungroup() |>
  mutate(perc_media = (n - mean(n))/mean(n)*100)

p <- ggplot(data = df_por_mes_sexo,
            mapping = aes(x = mes, y = n)) + 
  geom_line() + 
  geom_point(mapping = aes(size = perc_media)) + 
  labs(title = "Mortes for Mês do Ano",
       subtitle = "Dados para o estado do Rio de Janeiro, entre 2015 e 2019",
       x = 'Mês do Ano',
       y = "Número de Mortes",
       caption = "Dados retirados do DataSUS",
       size = '% Variação de Óbitos\n em Relação a média') + 
  facet_wrap(~SEXO)

print(p)

O primeiro passo do gráfico foi calcular as mortalidades por mês e gênero (coluna SEXO) utilizando o pacote dplyr, assim como também as diferenças percentuais da média. O código do ggplot2 é exatamente igual ao anterior, exceto pela adição da nova camada facet_wrap(~SEXO), a qual indica a criação das facetas de acordo com o gênero. Veja que os nomes dos grupos aparece no topo de cada faceta, enquanto a legenda é compartilhada, facilitando a posterior análise.

Olhando o resultado, fica claro que a dinâmica da sazonalidade anual de mortalidade entre homens e mulheres é bastante próxima. Existem algumas diferenças porém, a olho nu, o padrão das linhas são muito próximos, exceto para o mês de maio (5) onde, em comparação com o mês de abril (4), as mortalidades masculinas disparam consideravelmente mais do que as mortalidades femininas. Uma investigação mais aprofundada poderia explicar tal anormalidade.

Salvando figuras em arquivos

Após a criação de figuras, o último passo é a exportação e uso em um relatório. Aqui, existem dois formatos comumente utilizados: png e jpg. A diferença é o tipo de tecnologia e compressão para armazenar a figura. Para o caso de figuras com dados, onde usa-se poucas cores, o formato mais recomendado é o .png. Entretanto, o formato .jpg resulta em arquivos com tamanho menor e, por isso, é muito utilizado em páginas da internet onde o tamanho total pode fazer uma diferença para a experiência do usuário.

A nomenclatura do arquivo resultante também é passível de análise. Como regra pessoal, sempre coloco o texto fig no início do arquivo, tal como em fig-MortalidadeSUS_RJ.png, para, assim, facilitar o seu futuro encontro. Quando a figura já faz parte de um artigo ou relatório, incluo também o número da mesma no relatório, por exemplo, fig02-MortalidadeSUS_RJ.png. Pode parecer excesso de organização, mas quando se lida com figuras diariamente, em diferentes projetos, um padrão de nomenclatura é muito útil.

No ggplot2, salvamos figura com o comando ggsave():

fig_out <- 'fig02-MortalidadeSUS_RJ.png'

ggsave(filename = fig_out, 
       plot = p_boxplot)
#> Saving 7 x 5 in image

Assim, o arquivo fig02-MortalidadeSUS_RJ.png vai estar salvo na raiz da pasta de trabalho e pode, posteriormente, ser copiado e colado em um relatório técnico.

Conclusão e próximos passos

Este capítulo apresentou uma introdução prática ao uso do ggplot2 para a criação de figuras. Apresentamos o sistema de camadas do ggplot2 e a facilidade de criar visualizações impactantes com o uso de poucas linhas de código. Com os dados do DataSUS, criamos gráficos de linhas, pontos, uso de geomas e facetas. Saibas que apenas tocamos superficialmente tudo aquilo que o pacote oferece. Aqueles interessados em aprender mais sobre o ggplot2, o livro do Hadley (Wickham et al. 2021) é uma ótima fonte.

Referências

Saldanha, Raphael. 2021. Microdatasus: Download and Preprocess DataSUS Files. https://github.com/rfsaldanha/microdatasus.

Wickham, Hadley. 2021. Tidyr: Tidy Messy Data. https://CRAN.R-project.org/package=tidyr.

Wickham, Hadley, Winston Chang, Lionel Henry, Thomas Lin Pedersen, Kohske Takahashi, Claus Wilke, Kara Woo, Hiroaki Yutani, and Dewey Dunnington. 2021. Ggplot2: Create Elegant Data Visualisations Using the Grammar of Graphics. https://CRAN.R-project.org/package=ggplot2.